Comment fonctionne la saisie vocale

De l'onde sonore à l'audio numérique : ce que votre micro enregistre pendant la dictée

Comment le micro et l'appareil transforment la parole en nombres : fréquence d'échantillonnage, résolution, mono, rééchantillonnage, et pourquoi la position du micro compte plus que ses caractéristiques.

MacWindowsiPhoneAndroid

En bref

Votre voix est une onde de pression. Le micro la transforme en signal électrique, et un convertisseur mesure ce signal des milliers de fois par seconde. Pour la parole, le format classique est 16 000 mesures par seconde sur 16 bits. Des chiffres plus élevés ne garantissent pas une meilleure reconnaissance : une voix nette près du micro compte bien plus que la fiche technique.

Slack

Vous avez dit

j'ai dix minutes de retard commencez sans moi

SayVelio a écrit

J'ai 10 minutes de retard, commencez sans moi.

Le son commence par de l'air en mouvement

Quand vous parlez, vos cordes vocales, votre langue et vos lèvres créent de minuscules variations rapides de pression dans l'air. Un micro possède une fine membrane qui bouge avec ces variations et transforme ce mouvement en tension variable : une onde analogique qui reproduit votre voix.

Un ordinateur ne peut pas stocker une onde continue ; un convertisseur analogique-numérique (souvent intégré à l'ordinateur portable, au téléphone ou au casque) la mesure donc à intervalles réguliers. Chaque mesure est un échantillon, stocké sous forme de nombre.

Une onde sonore mesurée à intervalles réguliers : chaque point est un échantillon
Échantillonnage : l'onde continue de votre voix devient une suite de points mesurés

Fréquence d'échantillonnage : à quel rythme le signal est mesuré

La fréquence d'échantillonnage est le nombre de mesures par seconde. 16 000 Hz (16 kHz) signifie 16 000 échantillons par seconde ; 48 kHz, 48 000.

Elle fixe la fréquence la plus haute que l'enregistrement peut contenir : environ la moitié. Un enregistrement à 16 kHz conserve les sons jusqu'à environ 8 kHz, ce qui suffit pour comprendre la parole. Le son téléphonique classique ne monte qu'à environ 3,4 kHz : c'est pour cela qu'on confond si facilement « f » et « s » au téléphone.

Résolution : avec quelle précision chaque échantillon est stocké

La résolution (profondeur de bits) indique combien de valeurs différentes un échantillon peut prendre. L'audio 16 bits offre 65 536 niveaux possibles. Cela décrit la précision de la mesure, rien de plus : un modèle vocal ne distingue pas pour autant 65 536 sortes de sons.

Un enregistrement de dictée est généralement mono : un canal, un échantillon par instant. La stéréo ajoute un second canal qui n'aide guère la reconnaissance.

Combien de données pour quelques secondes de parole

Le calcul est simple : 16 000 échantillons × 16 bits = 256 000 bits par seconde d'audio mono, soit 32 Ko par seconde hors en-têtes. Une dictée de 30 secondes pèse environ 1 Mo non compressée. C'est peu pour une connexion actuelle, mais cela s'additionne quand une app envoie beaucoup d'enregistrements, d'où la compression préalable de certaines apps (voir la compression audio pour la parole).

Rééchantillonner, ce n'est pas changer un chiffre

Beaucoup de micros enregistrent à 48 kHz, alors que beaucoup de modèles de reconnaissance attendent du 16 kHz. Passer de l'un à l'autre ne consiste pas à renommer le fichier : il faut d'abord filtrer les fréquences que la fréquence plus basse ne peut pas contenir, sinon elles se replient dans l'enregistrement sous forme de distorsion (le repliement, ou aliasing). Le système et les bibliothèques audio s'en chargent, mais c'est une raison de plus pour éviter les conversions en série.

Le micro et la pièce comptent le plus

Tout cela se passe avant la reconnaissance, et aucun logiciel ne retrouvera des mots que le micro n'a pas captés clairement. En pratique :

  • La distance compte le plus. Un casque ou le micro intégré d'un portable devant vous valent mieux qu'une webcam à l'autre bout de la pièce. Un micro éloigné capte plus d'écho.
  • Trop près, ça claque. Parler collé au micro provoque des souffles sur les « p » et les « b ».
  • Vérifiez l'entrée sélectionnée. En branchant un casque, l'ordinateur peut changer de micro. Sur Mac : Réglages Système → Son → Entrée ; sous Windows : Paramètres → Système → Son.
  • Autorisez l'accès au micro pour l'app de dictée. Sans cela, elle ne reçoit que du silence.

Astuce

Si la dictée se dégrade d'un coup, vérifiez d'abord le périphérique d'entrée. Passer au micro d'un casque Bluetooth baisse souvent la qualité : beaucoup de casques basculent dans un mode audio étroit, façon téléphone, dès que le micro est actif.

Questions fréquentes

Une fréquence d'échantillonnage plus élevée améliore-t-elle la dictée ?

Pas forcément. La plupart des modèles de reconnaissance travaillent en interne à 16 kHz ; un enregistrement à 48 kHz est donc réduit de toute façon. Une voix claire et un micro bien placé comptent davantage.

Ai-je besoin d'un micro externe ?

En général, non. Les micros intégrés des portables et téléphones récents suffisent pour dicter dans une pièce calme. Un casque aide en open space ou dans un lieu bruyant.